Durch die Entwicklung neuer Sicherheitssysteme, z.B. beim Automatisierten Fahren, gewinnt die Erkennung von Gesichtsausdrücken mit KI an Bedeutung. Zu diesem Zweck muss dem System vorher die Zuordnung relevanter Gesichtsausdrücke antrainiert werden. Dazu sind große Mengen an Bildern mit manuell eingefügten Kennzeichnungen nötig. Das Maschinelle Lernen (ML) braucht extrem viele Bilder, um trainiert, validiert und getestet zu werden. Für hohe Qualitätsansprüche sind dies im Idealfall hunderttausende Bilder. Zudem ist es schwierig und langwierig, Aufnahmen von so vielen realen Menschen zu erfassen. Dabei gilt es Datenschutz und Privatsphäre zu berücksichtigen. Und es ist wichtig Diversität abzubilden, um die Lösung alltagstauglich zu machen. Das alles steht einer raschen und günstigen Beschaffung von Trainingsdaten im Weg. Aufnahmen von realen Menschen verwenden zu können, ist aber auch überaus aufwendig. So müssen Kennzeichnungen wichtiger Unterscheidungsmerkmale (Labels oder Annotationen) auf jedem Bild manuell eingefügt werden. Aus diesen Gründen ist die Aufnahme tausender, annotierter Bilder kostenintensiv und zeitaufwendig.
Synthetische Daten für Training
Die Software Infinite Faces, die Rechenraum in Zusammenarbeit mit dem Autozulieferer AVL entwickelt hat, bietet einen Ausweg. Basis dafür sind zwar reale Menschen, es wird allerdings nur eine sehr kleine Anzahl realer Personen benötigt (ab sechs Personen). Von diesen wenigen Personen werden 3D-Aufnahmen verschiedener Gesichtsausdrücke durchgeführt. Diese Scans werden anschließend manuell annotiert, je nachdem, was vom ML erkannt werden soll. Damit erzeugt die Software eine nahezu unbegrenzte Anzahl synthetischer, aber ultrarealistischer Gesichter. Darüber hinaus sind diese künstlich erzeugten Gesichter praktischerweise automatisch mit den im Vorfeld festgelegten Annotationen versehen. Es muss also nicht jedes der Bilder händisch gekennzeichnet werden.
